隨著社會的不斷發(fā)展,互聯(lián)網(wǎng)技術的大范圍普及,各行各業(yè)對于相關數(shù)據(jù)的需求呈現(xiàn)穩(wěn)步上升的趨勢。而大數(shù)據(jù)時代的出現(xiàn),實際上是在互聯(lián)網(wǎng)技術飛速發(fā)展的背景下,不斷增長的社會需求同相匹配的數(shù)據(jù)挖掘技術完美結合的產(chǎn)物。聚類分析是數(shù)據(jù)挖掘領域中的一個重要的方法,近鄰傳播聚類算法(Affinity Propagation,AP)作為數(shù)據(jù)挖掘領域中一種可以高效快速完成數(shù)據(jù)聚類分析的方法,受到了國內(nèi)外專家學者的廣泛研究與推廣。但是,傳統(tǒng)的近鄰傳播聚類算法仍存在多種弊端,導致算法產(chǎn)生聚類性能低,聚類效果不佳等結果�；诖�,本文以相似度為出發(fā)點,在原始近鄰傳播聚類算法中引入多種不同的理論,致力于得到較優(yōu)的聚類結果,提高算法的聚類性能。本文主要研究內(nèi)容如下:(1)以相似度的計算方式作為出發(fā)點,針對傳統(tǒng)AP算法存在對數(shù)據(jù)類型敏感的弊端,提出一種新的基于加權相似度的自適應近鄰傳播聚類算法(A Novel Self-Adaptive Affinity Propagation Clustering Algorithm based on Density Peak Theory and Weighted Similarity...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖3.4公式的函數(shù)曲線圖

16圖3.4公式的函數(shù)曲線圖圖3.5公式的函數(shù)曲線圖

圖3.5公式的函數(shù)曲線圖

16圖3.4公式的函數(shù)曲線圖圖3.5公式的函數(shù)曲線圖

圖3.6Iris聚類結果

圖3.6Iris聚類結果圖3.7Wine聚類結果

圖3.7Wine聚類結果

圖3.6Iris聚類結果圖3.7Wine聚類結果

本文編號：3926876